一、什么是计算机视觉？

计算机视觉是让机器从图片、视频中自动看懂内容、理解场景、判断行为、重建空间、创造内容的AI技术。

简单分为五层能力，越往后越高级：

• 看得见：识别这是什么东西

• 找得到：知道东西在哪里

• 分得清：精准勾勒物体轮廓

• 看得懂：理解行为、语义、场景

• 能创造：AI画图、AI生成视频、重建3D世界

二、计算机视觉六大核心方向

1. 基础2D感知方向（CV的地基）

这是所有视觉算法的基础，90%的传统项目都离不开它，属于入门必学。

• 图像分类：给整张图片打标签。比如判断图片是猫、狗、车、人。最简单、最基础。

• 目标检测：不仅知道是什么，还知道在哪里。用方框框出行人、车辆、红绿灯。 代表：YOLO、Faster RCNN，工业最常用。

• 语义分割：像素级精细识别，画出物体轮廓。 重点：车道线检测、路面可行驶区域、医疗病灶分割都属于这一类。

• 实例分割：区分“同类不同个体”，比如一张图里区分多个人、多辆车。

  

依次是图像分类、目标检测、语义分割。

一句话总结：分类看整体，检测找位置，分割画轮廓。

2. 视频与时序视觉方向（动态场景）

如果说上面是“看一张照片”，这个方向就是看一段视频。

主要解决动态问题：

• 多目标跟踪：车来人往，持续跟踪同一个目标，不串ID（自动驾驶、监控必备）

• 行为识别：判断站立、摔倒、奔跑、挥手

• 异常检测：工地未戴安全帽、禁区闯入、违规停留

• 视频增强：视频超分、防抖、补帧

3. 3D视觉 / 几何视觉（目前高薪热门）

2D只能看平面，3D视觉能看懂距离、高度、空间结构，是自动驾驶、机器人的核心。

   

单目深度估计对比图、BEV 鸟瞰图感知示意图

主流任务：

• 深度估计：单张图片算出物体离镜头多远

• 点云处理：激光雷达三维感知

• SLAM：机器人边走边建地图、定位

• BEV鸟瞰图感知：自动驾驶当前主流方案

• NeRF三维重建：照片重建高质量3D场景，元宇宙热门

优势：技术壁垒高、人才少、薪资高于普通2D视觉。

4. 多模态视觉（大模型时代核心）

以前的CV只会看图，现在的AI看图+读文字+懂语义，这就是多模态。

通俗理解：

• 单模态：只能识别“这是一只猫”

• 多模态：可以回答“这只猫是什么颜色？”“图中有几辆车？”

核心应用：

• OCR文字识别

• 图像描述、看图问答

• 以文搜图、以图搜文

• 文字指挥AI找物体

5. 生成式视觉 AIGC（前沿）

传统CV是“看懂图片”，AIGC视觉是“创造图片”。

包括：

• 文生图、图生图

• 老照片修复、模糊变清晰

• AI视频生成、视频换背景

• 可控生成（姿态、草图、轮廓控制画面）

适合喜欢创新、想做AIGC、新媒体、创意AI的同学。

6. 行业落地视觉

把CV技术落地到具体行业，是企业需求量最大、最稳定的方向。

• 自动驾驶视觉：车道线检测、红绿灯识别、障碍物感知、可行驶区域分割

• 工业机器视觉：产品瑕疵、划痕、污渍、尺寸检测

• 医疗视觉：CT、MRI、胸片病灶检测与分割

• 人脸与人体视觉：人脸识别、活体检测、姿态估计、手势识别

• 遥感与无人机：地物提取、灾害监测、航拍分析